编辑推荐：
为解决 GRACE 及 GRACE - FO 数据集存在时间间隙、2002 年前缺乏陆地水储量异常（TWSA）观测的问题，研究人员开展了用长短期记忆（LSTM）和双向长短期记忆（BiLSTM）神经网络重构 1984 - 2021 年全球每月 TWSA 的研究，结果表明 GRAiCE 能有效捕捉气候极端事件影响，为分析淡水储量变化提供依据。
在地球的水资源循环中，陆地水储量（Terrestrial Water Storage，TWS）扮演着至关重要的角色，它是地球大陆地表及地下所有淡水储库的总和，涵盖了地表水、地下水、土壤水分、雪和冰等。TWS 的变化能敏锐地反映出水文通量的改变，而这些改变可能源于自然变化、气候变化以及人类活动的影响。因此，观测 TWS 相对于长期平均值的变化，也就是陆地水储量异常（Terrestrial Water Storage Anomalies，TWSA），就像是为全球淡水资源的监测安装了 “探测器”，不仅可以追踪全球淡水的可利用情况，还能及时发现诸如干旱、洪水等水文极端事件，评估气候变化和人类活动对水循环的影响。
自 2002 年起，重力恢复和气候实验（Gravity Recovery and Climate Experiment，GRACE）卫星任务开启了地球重力场变化的测量之旅，为全球 TWSA 的监测提供了前所未有的连续且快速的估计数据，成为全球监测 TWSA 的优质数据来源。然而，GRACE 任务在 2017 年中断，直至 2018 年以 GRACE 后续任务（GRACE Follow - On，GRACE - FO）的名义恢复，期间产生了约 11 个月的数据间隙。此外，GRACE 和 GRACE - FO 时间序列内部也存在其他间隙，这使得我们难以全面理解长期淡水储量的变化，数据的连续性受到严重影响。为了填补这些数据空白，众多研究聚焦于基于数据驱动方法和统计技术来重构 GRACE 时间序列，机器学习算法在其中的应用也日益增多，但利用 LSTM 算法进行全球尺度的 TWSA 重构研究还较为缺乏。
在这样的背景下，意大利博洛尼亚大学（Alma Mater Studiorum – Università di Bologna）和美国哥伦比亚大学（Columbia University）的研究人员展开了深入研究。他们开发了 GRAiCE，这是一套利用长短期记忆（Long Short - Term Memory，LSTM）和双向长短期记忆（Bidirectional LSTM，BiLSTM）神经网络构建的全球每月 TWSA 重构模型，旨在生成 1984 - 2021 年、空间分辨率为 0.5° 的全球 TWSA 数据，为研究气候变化和人类活动对淡水资源的影响提供更可靠的依据。该研究成果发表在《Scientific Data》上。
研究人员在开展此项研究时，运用了多种关键技术方法。首先，收集了丰富的数据集，包括 GRACE 和 GRACE - FO 的观测数据，以及 1982 - 2021 年的气象强迫数据（如总降水量、雪深水当量、地表净太阳辐射、地表气温和地表空气相对湿度）和植被动力学数据（太阳诱导荧光）。然后，采用 LSTM 和 BiLSTM 神经网络进行建模，通过 Optuna 框架在不同气候区域优化模型的超参数，如学习率、LSTM / BiLSTM 单元数量、隐藏层数和输入数据滞后时间等。在数据处理过程中，进行了归一化等预处理操作，并通过划分训练集、验证集和测试集来评估模型性能。
研究结果主要从以下几个方面展开：
- 模型性能评估：通过将 TWSA 预测值与 GRACE/GRACE - FO 观测值对比，研究人员采用皮尔逊相关系数（Pearson’s Correlation Coefficient，PCC）、纳什效率系数（Nash - Sutcliffe Efficiency，NSE）、归一化均方根误差（Normalized Root Mean Squared Error，NRMSE）和平均偏差误差（Mean Bias Error，MBE）等指标评估模型准确性。结果显示，2002 - 2021 年全球平均每月 TWSA 预测的 PCC 大于 0.9，BiLSTM 表现最佳（PCC = 0.97）。不同模型间，使用不同预测变量集的模型性能差异显著，表明植被动力学数据对模型准确性很重要。BiLSTMnoSIF 在大陆和热带地区的预测稍更准确，而 BiLSTM 在其他气候区域，尤其是极地地区表现更优。
- 与现有 TWSA 重构对比：将 GRAiCE 数据集的 TWSA 预测与 GRACE - REC 重构结果比较，BiLSTM 模型在全球尺度和各气候区域均优于 GRACE - REC。这是因为 GRACE - REC 针对去季节性 TWSA 时间序列校准，而 GRAiCE 基于原始 GRACE 观测数据训练，包含季节性和非季节性成分。即便对比去季节性 TWSA，BiLSTM 模型的预测也更接近 GRACE/GRACE - FO 观测值。
- 与流域尺度水预算对比：研究人员将 GRAiCE（BiLSTM 模型）和 GRACE - REC 重构的水预算与多个流域尺度水预算数据集对比。结果显示，BiLSTM 模型与 BSWB 数据集在多数流域相关性良好，在与 TWSC - rec 产品的对比中，BiLSTM 模型在几乎所有流域的相关性都更强。例如在刚果河流域，BiLSTM 模型与 TWSC - rec 估计值的 PCC 达到 0.78，而 GRACE - REC 仅为 0.56。此外，BiLSTM 模型对亚马逊河流域 TWS 通量的预测与 SAWC 数据集高度吻合，进一步证明了 GRAiCE 在重构 GRACE 之前的 TWSA 以及流域尺度应用方面的有效性。
研究结论表明，GRAiCE 数据集提供了 1984 - 2021 年全球长期、高分辨率的 TWSA 重构数据，通过与 GRACE/GRACE - FO 测量值和先前 TWSA 产品对比，其对 TWS 变化的估计较为准确。不过，该研究也存在一定局限性，如 GRACE 时代之前（2002 年前）数据可靠性可能较低，模型准确性依赖输入数据质量，且难以捕捉局部水文极端事件的复杂性，空间分辨率也限制了对小流域局部过程和极端事件的模拟。尽管如此，GRAiCE 为检测气候驱动的 TWSA 变化提供了有力工具，有助于深入理解全球水文循环的长期变化，为水资源管理和应对气候变化提供了重要的数据支持和科学依据，对全球水资源研究领域有着重要的推动作用。
